[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122517-es":3,"doc-seo-122517-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122517,962085571259,"Theodora","https://ap-avatar.wpscdn.com/davatar_29158cc5080c5b710cf443261637dec0",41,"Investigación e Informes","Clasificación y derivación de propiedades de los AGNs mediante técnicas de aprendizaje automático - Trabajo de Fin de Máster","El trabajo aborda cómo los algoritmos de Machine Learning potencian la caracterización de fuentes astronómicas aprovechando catálogos multifrecuencia. Se emplean DES, VISTA, WISE y XMM-Newton, con SDSS y 2MASS para validación. La metodología integra reducción de dimensionalidad con PCA y clustering (Random Forest no supervisado y HDBSCAN) para separar galaxias, cuásares y estrellas mediante información fotométrica y flujo en rayos X. Además, se implementa regresión con Random Forest y SED fitting con CIGALE para predecir magnitudes infrarrojas y parámetros físicos, evaluando mejoras y límites por el uso de límites superiores.","Clasificación y derivación de propiedades de los AGNs mediante técnicas deaprendizaje automático  \n(Classification and Derivation of AGN Properties Using Machine Learning Techniques)  \nTrabajo de Fin de Máster  \npara acceder al  \nMÁSTER EN FÍSICA DE PARTÍCULAS Y DEL  \nCOSMOS  \nAutor: Andrés Matres Cazorla  \nDirectora: Amalia Corral Ramos  \nSeptiembre-2025  \nResumen  \nEl uso de algoritmos de Machine Learning se ha consolidado en astronomía como una herramienta esencial capaz de tratar los volúmenes de datos que ésta genera. En este trabajo se explora la aplicación de métodos supervisados y no supervisados en la caracterización de fuentes astronómicas por medio de catálogos multifrecuencias. Así, se usaron DES, VISTA, WISE y XMM-Newton como catálogos principales, además de SDSS y 2MASS en los datos de validación.  \nSe aplicaron técnicas de reducción de dimensionalidad por medio de una PCA, junto amétodos de clustering tales como Random Forest no supervisado y HDBSCAN para analizar la capacidad de separar galaxias, cuásares y estrellas, usando únicamente informaciónfotométrica y flujos en rayos X. Además, se implementaron modelos de regresión basadosen Random Forest para la predicción de magnitudes en el infrarrojo medio y de parámetrosfísicos derivados del ajuste de SEDs con CIGALE tales como la masa estelar, el SFR o la fracción de AGN.  \nLos resultados valoran la incorporación de flujos en rayos X como una mejora sustancialen la separación de poblaciones a costa de la reducción de estas mismas. Como remedio, seañadió el uso de límites superiores, resultando en la introducción de ruido. En regresión, la magnitud K resultó clave para la predicción en el infrarrojo medio y las propiedades como la masa o la luminosidad estelar parecen responder bien a los métodos predictivos. Este estudio confirma la utilidad de los métodos de Machine Learning en astronomía, a la vez que señala sus limitaciones y posibles mejoras con datos más profundos, numerosos ymodelos más avanzados.  \nPalabras clave: Aprendizaje automático, Cartografiados astronómicos, Núcleos Activos de Galaxias, Galaxias, XMM-Newton, SDSS, DES, VISTA, WISE.  \nAbstract  \nThe use of Machine Learning algorithms has become a consolidated and essential tool in astronomy, capable of handling the large volumes of data generated. In this work, we explore the application of supervised and unsupervised methods for the characterization of astronomical sources through multiwavelength catalogs. The main datasets employed were DES, VISTA, WISE, and XMM-Newton, complemented with SDSS and 2MASS for validation.  \nDimensionality reduction techniques were applied using PCA, combined with clustering methods such as unsupervised Random Forest and HDBSCAN, to analyze the ability to separate galaxies, quasars, and stars using only photometric information and X-ray fluxes. In addition, Random Forest regression models were implemented to predict mid-infrared magnitudes and physical parameters derived from SED fitting with CIGALE, such as stellar mass, SFR, and AGN fraction.  \nThe results highlight the inclusion of X-ray fluxes as a substantial improvement for source  \nseparation, although at the cost of reduced sample size. As a solution, upper limits were introduced, but these led to additional noise. For regression tasks, the K-band magnitude proved to be key for mid-infrared predictions, while properties such as stellar mass and luminosity showed good consistency with predictive models. This study confirms the usefulness of Machine Learning methods in astronomy, while also pointing out their limitations and the potential for improvement with deeper, larger datasets and more advanced models.  \nKey words: Machine Learning, Astronomical Surveys, Active Galactic Nuclei, Galaxies, XMM-Newton, SDSS, DES, VISTA, WISE.  \nÍndice  \n1. Introducción 1  \n1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1  \n1.2. Objetivos .................................... 1  \n1.3. Distribucio","cbCaimcXjsgUhr9B","https://ap.wps.com/l/cbCaimcXjsgUhr9B","pdf",6913671,4,1,56,"Spanish","es",110,"# Introducción\n## Motivación\n## Objetivos\n## Distribuciones espectrales de energía (SEDs) de fuentes astronómicas\n# Metodología\n## Selección de muestras\n### X-ray Multi-Mirror Mission-Catálogo XMM-Newton\n### Dark Energy Survey-DES\n### VISTA-VHS\n### WISE\n### Sloan Digital Sky Survey-SDSS\n### 2MASS\n## Muestras finales multifrecuencia\n## Aprendizaje automático\n### Reducción de la dimensionalidad\n### Análisis de Componentes Principales-PCA\n## Clustering\n### Random Forest (Clustering) -URF\n### HDBSCAN\n## Regresión\n### Random Forest (Regresión)\n## Ranking de características\n# Resultados\n## Muestra final\n### Crosscorrelación de catálogos\n### Límites superiores\n### Cálculo de colores\n### Datos de validación\n## Clasificación de fuentes-Clustering","[{\"question\":\"Qué algoritmos y técnicas se usan para clasificar galaxias, cuásares y estrellas?\",\"answer\":\"Se aplica PCA para reducción de dimensionalidad y métodos de clustering como Random Forest no supervisado y HDBSCAN, usando información fotométrica y flujos en rayos X.\"},{\"question\":\"Cómo se predicen magnitudes infrarrojas y parámetros físicos en el trabajo?\",\"answer\":\"Se implementa regresión con Random Forest para predecir magnitudes del infrarrojo medio y se derivan parámetros físicos a partir del ajuste de SEDs con CIGALE, como masa estelar, SFR y fracción de AGN.\"},{\"question\":\"Qué efecto tiene la inclusión de flujos en rayos X y el uso de límites superiores?\",\"answer\":\"La inclusión de flujos en rayos X mejora sustancialmente la separación de poblaciones, pero reduce el tamaño del conjunto. Como solución, se introducen límites superiores, que incrementan el ruido y afectan la calidad de los resultados.\"}]","Clasificación y derivación de propiedades de los AGNs mediante técnicas de aprendizaje automático - Trabajo de Fin de Máster | PDF",1785811046,86,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"classification-and-derivation-of-agn-properties-using-machine-learning-techniques-masters-final-project","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":20},"https://docshare.wps.com/es/document/classification-and-derivation-of-agn-properties-using-machine-learning-techniques-masters-final-project/122517/",{"url":53,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qué algoritmos y técnicas se usan para clasificar galaxias, cuásares y estrellas?","Question",{"text":76,"@type":77},"Se aplica PCA para reducción de dimensionalidad y métodos de clustering como Random Forest no supervisado y HDBSCAN, usando información fotométrica y flujos en rayos X.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Cómo se predicen magnitudes infrarrojas y parámetros físicos en el trabajo?",{"text":81,"@type":77},"Se implementa regresión con Random Forest para predecir magnitudes del infrarrojo medio y se derivan parámetros físicos a partir del ajuste de SEDs con CIGALE, como masa estelar, SFR y fracción de AGN.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué efecto tiene la inclusión de flujos en rayos X y el uso de límites superiores?",{"text":85,"@type":77},"La inclusión de flujos en rayos X mejora sustancialmente la separación de poblaciones, pero reduce el tamaño del conjunto. Como solución, se introducen límites superiores, que incrementan el ruido y afectan la calidad de los resultados.","https://schema.org",{"og:url":53,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]